Was ist Hybride KI & welche Vorteile bietet sie Unternehmen?
Unter hybrider künstlicher Intelligenz wird zumeist die Anreicherung von bestehenden KI-Modellen durch speziell eingeholtes Expertenwissen verstanden. Wir von Onlim sehen das etwas anders. Diese Betrachtungsweise geht unserer Meinung nach nicht weit genug. Wir verfolgen deshalb einen umfassenderen Ansatz der hybriden KI.
Wie dieser Ansatz aussieht, warum wir ihn gewählt haben, und welchen Mehrwert Sie als Unternehmen dadurch erhalten – das zeigen wir in diesem Beitrag.
Hybride KI – Eine viel debattierte Notwendigkeit für KI-Lösungen?
„Hybride KI“ ist aktuell eines der meist debattieren Themen im Bereich KI. Hybrid, ein Begriff lateinischen Ursprungs, bezeichnet prinzipiell das Ergebnis zweier unterschiedlicher Gattungen bzw. Arten.
Auf künstliche Intelligenz übertragen geht es im Allgemeinen um die Erweiterung bzw. Optimierung von KI-Modellen auf Basis von Machine Learning, Deep Learning, Neuronalen Netzen mit menschlichem (fachspezifischem) Expertenwissen, um domänen- bzw. anwendungsfallspezifische KI-Modelle mit maximaler Genauigkeit bzw. Prognosewahrscheinlichkeit zu entwickeln/erstellen.
Tatsächlich ist dies ein valider und wichtiger Punkt. KI-Modelle, die auf Basis großer Datensets trainiert werden, haben oftmals nicht ausreichend Effektivität, um in spezifischen Anwendungsfällen bzw. Domänen ihren vollen Nutzen zu stiften bzw. Mehrwert beizutragen.
In diesen Fällen ist eine Adoption bzw. Anreicherung durch domänenspezifisches Fachwissen die beste Möglichkeit, durch Modelloptimierung eine hohe Prognosewahrscheinlichkeit des Modells erzielen zu können.
Was ist hybride KI?
Bei Onlim definieren wir hybride KI anders. Wir sind der Überzeugung, dass es einen umfassenderen, ganzheitlichen Ansatz in Organisationen benötigt, damit man den vollen Nutzen aus dem Einsatz von KI-Lösungen tatsächlich und nachhaltig realisieren kann.
Hierfür müssen wir zunächst zwei unterschiedliche Bereiche der KI einführen und kurz erklären: symbolische und nicht-symbolische KI.
- Symbolische KI: Hier versucht man, Fakten und Ereignisse durch Logikregeln zu verknüpfen und dieses Wissen durch semantische Anreicherung maschinenlesbar, abrufbar zu machen.
- Nicht-symbolische KI: Dieses Gebiet umfasst Modelle im Bereich Machine Learning, Deep Learning, neuronale Netze, wo durch viele Trainingsdaten versucht wird, statistisch gesehen Rückschlüsse, Entscheidungen zu bekommen, wie z.B. auch in unserem Falle, dass wir einen Text einspielen und die Natural Language Understanding (NLU)-Komponente uns sagt, was damit gemeint ist und das entsprechend wiederrückspielt.
Die klassische Sichtweise ist jene, die symbolische KI als „Zulieferer“ der nicht-symbolischen KI zu sehen, welche dann die Arbeit erledigt. In dieser Betrachtung versorgt die symbolische KI die nicht-symbolische KI mit relevanten Trainings-Daten zur Modell- und Algorithmen-Erstellung.
Hier bei Onlim haben wir ein anderes Paradigma: Wir sehen die symbolische KI, also die Strukturierung, Aufbereitung und Anreicherung von organisationalen Daten und Wissen (Fakten, Ereignisse, Semantik, Logik) in eine maschinenlesbare Form als wesentliche Aufgabe, der bereits eigenständig viel Mehrwert schafft. Die Aufbereitung erfolgt in der Form der Datenstruktur der Zukunft – des Knowledge Graphen.
Hybride KI ist mehr als eine Kombination von symbolischer & nicht-symbolischer KI
Hybride KI muss mehr als eine Kombination der Ansätze von symbolischer und nicht-symbolischer KI sein. Bereits die symbolische KI und ihr Ergebnis – ein Knowledge Graph – sind ein wesentlicher Asset für das Unternehmen.
Wir verstehen unter Hybrider KI (speziell für den Bereich der Conversational AI) den strukturierten, zeitlich nachgelagerten, gründlichen und einheitlichen Einsatz von symbolischer und nicht-symbolischer KI, um alle verfügbaren Daten bzw. Wissen einer Organisation zu erfassen, abzubilden, zu strukturieren, und für Maschinen lesbar, verständlich und abrufbereit zu machen, sodass dieses Wissen in natürlichsprachlicher Form – der einfachsten Zugangsweise für Menschen – abgerufen und wiedergegeben werden kann.
Lassen Sie uns diese Aussage anhand einiger Beispiele konkretisieren:
- Im Bereich selbstfahrender Autos gibt die symbolische KI etwa mit Kartendaten vor, wo sich Hindernisse, Ampeln, Stoppschilder, etc. befinden. Diese Daten und Fakten bringen Klarheit und erleichtern die autonome Steuerung des Fahrzeuges, unabhängig von dessen nicht-symbolischer Schulung mit Trainings-Daten.
- Im Retail-Bereich stellt die Produktdatenbank z.B. eines Modegeschäfts die symbolische KI dar. Klare Fakten wie die Farbe, Größe, Kombinierbarkeit mit anderen Produkten können beim Abfragen von Produktdaten eines Kleidungsstücks via Sprachassistent/Chatbot sehr einfach miteinbezogen werden.
- Im Event-Bereich befindet sich die symbolische KI in der Darstellung der Eventdatenbank. Wird vom Veranstalter z.B. ein Konzert der Band „Bilderbuch“ organisiert und befindet sich dieser Fakt in der Datenbank (ev. erweitert um ein Genre, etc.), kann der Sprachassistent bei einer Anfrage nach „Bilderbuch“ die Bedeutung und den Kontext korrekt erkennen, anstatt den Ausdruck mit einem illustrierten Buchband zu verwechseln.
Wie wendet Onlim den Hybriden-KI-Ansatz an?
Wir starten immer mit der symbolischen KI, also mit der Sammlung, Aufbereitung, Strukturierung und Verknüpfung bzw. Anreicherung von organisationalem Wissen (Fakten, Ereignissen, etc.) in einem Knowledge Graphen.
Dies ist für uns die Grundlage zur Entwicklung effektiver KI-Modelle, anschließend wird die nicht-symbolische KI auf Basis des Knowledge Graphen trainiert.
Zusätzlich kann der Knowledge Graph über Informationen aus externen Diensten, wie z.B. Wikipedia, Termindatenbanken, Lexika, etc. in Echtzeit erweitert werden, um eine optimale Konfiguration zu erreichen.
Whitepaper zum Thema "Mehr Wissen für Chatbots und Sprachassistenten herunter".
Welche Vorteile bringt dieser ganzheitliche Hybride-KI-Ansatz Unternehmen?
Dieser Ansatz bietet den ultimativen Vorteil: maximale Skalierbarkeit. Neue Produkte oder Veranstaltungen können sehr einfach hinzugefügt werden, es sind bloß die neuen Spezifika über die Onlim-Plattform zu ergänzen, der Prozess bleibt jedoch der gleiche.
Für den Kunden ergibt sich ein klarer Mehrwert durch die Kooperation mit Onlim, welche weit über die Entwicklung eines Chatbot bzw. Sprachassistenten in natürlicher Sprache hinausgeht:
- Entwicklung eines Knowledge Graphen: Als Startpunkt jeder Erstellung eines Chatbots/Sprachassistenten erstellen wir für unseren Kunden einen Knowledge Graphen, der auch als Datenstruktur der Zukunft verstanden und für alle weiteren KI-basierten Anwendungsfälle dienen kann.
- Implementation der Prozesse: Organisationen kommen um die Digitalisierung und Aufbereitung organisationaler Daten nicht herum, der Aufbau eines Knowledge Graphen wird früher oder später unumgänglich. Mit Onlim werden die organisationalen Prozesse und Abläufe implementiert, die zur regelmäßigen Wissensdokumentation und -aktualisierung in Zukunft erforderlich sind.
- Beitrag jahrzehntelangen Know-hows: Gemeinsam verfügt das Onlim-Team über mehrere Jahrzehnte an Erfahrung in der Entwicklung von Knowledge Graphen. Kunden können von diesem massiven Erfahrungsschatz profitieren und lernen, während das konkrete Ziel – die Entwicklung eines Chatbots/Sprachassistenten – erreicht wird.
- Maximaler Komfort: Onlim übernimmt die Detailarbeit im Hintergrund, während sich Unternehmen auf die Aufbereitung und Ergänzung von Informationen konzentrieren können. Über die Onlim-Plattform sind alle Informationen jederzeit einfach zu aktualisieren bzw. anzupassen, falls es zu Veränderungen kommt.
- Ganzheitlicher Prozess: Onlim begleitet Kunden über alle Phasen des Prozesses – von der Aufbereitung von Wissen in Form eines Knowledge Graphen, über die Fähigkeit des Chatbots oder Sprachassistenten die Daten zu verstehen, dem Kunden passende Antworten zu liefern und diesen auch gewünschte Transaktionen wie z.B. Käufe durchführen zu lassen.
Konkretes Anwendungsbeispiel von hybrider KI
Ein Interessent meldet sich bei einem Eventveranstalter, weil ihm nach einer musikalischen Veranstaltung beliebt. Zunächst fragt er nach bevorstehenden Musik-Konzerten in seiner Stadt (Discovery-Phase). Dann erkundigt sich der Interessent nach einem Konzert einer Band.
Auch weitere Fragen wie Veranstaltungsort, Veranstaltungszeitpunkt werden erfragt – dies ist im Knowledge Graphen berücksichtigt und mitdokumentiert. Dann fragt der Kunde nach der Verfügbarkeit von Tickets, wobei der Knowledge Graph auch bestimmte Ticket-Kategorien (Eltern, Jugendliche, Senioren) oder Ticket-Klassen (Sitzplätze, Stehbereich, Klassen) berücksichtigt.
Nach dem Einholen aller Informationen kann schließlich an einen Ticketbuchungs-Dienst übergeben werden. Dieser berücksichtigt die eingegebenen Daten und lässt den Kunden das gewünschte Ticket bequem im natürlichsprachigen Dialog mit dem Chatbot oder Sprachassistenten kaufen.
Welchen Mehrwert bieten wohlstrukturierte, aufbereitete Daten?
Die Aufbereitung von Wissen ist zunächst etwas Aufwand, keine Frage. Wie lässt sich dieser Aufwand also rechtfertigen? Tatsächlich sehr einfach, wenn man den wahren Mehrwert eines wohlstrukturierten, aufbereiteten Knowledge Graphen wirklich kennt.
Es geht darum, Wissen einfach und rasch in natürlicher Sprache abfragen zu können, um
- Bessere Entscheidungen aufgrund einer besseren Datenbasis treffen zu können und
- Einfach die auf Basis der Entscheidung gewünschte Handlung bzw. Transaktion einleiten zu können (z.B. Kauf).
Die Realität in Organisationen sieht allerdings so aus: Daten werden immer mehr und vielfältiger, sie sind teilweise unvollständig, nicht korrekt beschrieben, falsch verknüpft und werden folglich unterschiedlich aufbereitet bzw. ausgegeben. Gerade die Unmöglichkeit des informellen Nachfragens beim Kollegen im Büro hat in der Corona-Krise die Schwachstellen lückenhafter Wissensdokumentation offenbart.
Weil Produkte, Geräte und Lösungen immer komplexer werden, benötigen Kunden und Mitarbeiter Informationen allerdings häufiger und klarer als jemals zuvor. Die einzig realistische und beste Weise, diese Informationen zugänglich und nutzbar zu machen, ist in der einfachsten Form: in natürlicher Sprache, ob im geschriebenen oder gesprochenen Dialog.
Diesen Nutzungskomfort erwarten und belohnen Mitarbeiter und Kunden; Unternehmen müssen darum mit einem Knowledge Graphen die erforderliche Grundlage schaffen.
Letztendlich profitieren Unternehmen durch maximale Automatisierung
Der ultimative Benefit für das Unternehmen ist Enterprise-Automatisierung. Diese wird möglich, weil wir den Prozess des Aufbereitens des Wissens bis zum Abrufen des Wissens für Entscheidungen bis hin auch zu Transaktionen nach Entscheidungsfindung in natürlicher Sprache abbilden können.
Mit diesem Prozess haben wir die wesentlichen Customer Journeys, auch „interne Journeys“ von Unternehmen bzw. internen Kunden dokumentiert. Wir erwarten, dass in diesem Bereich in Zukunft noch viel mehr Automatisierung kommen wird. Kunden werden über Sprachassistenten nicht nur Informationen einholen, sondern auch Aktionen setzen bzw. Einkäufe tätigen.
Hält man sich vor Augen, dass ein Chatbot oder Sprachassistent an einem einzigen Tag Hunderte von Anfragen an den Kundenservice oder interne Mitarbeiter automatisiert und eigenständig beantworten kann, so ist einfach zu veranschaulichen, wie rasch und vielfach sich die Investition in Wissensaufbereitung und Entwicklung von digitalen Assistenten wieder amortisieren.
Entwicklung eines Knowledge Graphen: Nicht „ob?“ sondern „Wann und Wie?“
Jedes Unternehmen muss Wissen aufbereiten, sonst muss man bald der flinkeren Konkurrenz den Weg räumen. Alles was in Datensilos, CSV-Dateien etc. vorliegt, wird in Vergessenheit geraten, wenn man es jetzt nicht digitalisiert.
Da spielt es keine Rolle, wie gut die Suchmaschine ist. Ähnlich wie bei privaten Dias und Analog-Bildern werden nicht-digitalisierte Daten früher oder später nicht mehr auffindbar und nicht verwertbar sein, weshalb die Aufbereitung möglichst rasch und wirksam angegangen werden muss.
Wie groß ist der Aufwand auf Kundenseite?
Wie umfangreich der Beitrag des Kunden ausfallen muss, richtet sich dabei danach, wie weit die Strukturierung und Aufbereitung von Daten bereits jetzt fortgeschritten ist. Bestehende Datenbanken, FAQs und mehr können übernommen und als Grundlage zum Aufbau des Knowledge Graphen dienen.
Sollten weitere Informationen einzuholen sein, kann dies in Form zahlreicher Wissensformulare erfolgen, welche Onlim für Dutzende von Branchen bereitstellen kann. In seltenen Fällen sind auch Experteninterviews erforderlich, wobei Onlim die Daten einholt und den Knowledge Graphen entsprechend aufbaut und erweitert.
Onlim kümmert sich zur Gänze um den technischen Teil. Wir bereiten die Daten im Knowledge Graphen auf, und setzen die entsprechenden Logiken und Semantiken ein. Die Kombination von symbolischer und nicht-symbolischer KI funktionieren durch die Fakten-basierte Strukturierung des Wissens so gut, dass eine dynamische menschenähnliche Konversation möglich wird.
Ist die Vorarbeit einmal geleistet und die Lösung implementiert, muss sich der Kunde nur mehr um die laufende Aktualisierung bzw. Ergänzung von Informationen kümmern, sofern diese notwendig wird. Dies können Kunden komfortabel und in wenigen einfachen Schritten direkt über Onlims Conversational AI-Plattform erledigen.
Wenn Sie Fragen haben oder sich über den Einsatz einer hybriden KI für Ihr Unternehmen unterhalten möchten, stehen unsere Experten gerne zur Verfügung.
Ein Chatbot für mein Unternehmen? 6 Fragen für die richtige Entscheidung
Oktober 24th, 2023|
Transparenz und Innovation: Die Zukunft der Open-Source-KI
September 27th, 2023|
10 KI-Trends, auf die Sie im Jahr 2024 achten sollten
August 10th, 2023|